Характеристики

Контекст: 512 токенов
Параметры: 212 млн
Лицензия: MIT
Архитектура: deberta-v2 · dense
Базовая модель: deberta-v3-base
Библиотека: transformers
Опубликована: 3 авг 2024

Ссылки

Intellect_continuous

Классификация текстаТекст → label3 профессии

Дообученная на базе DeBERTa V3 Base модель для классификации текста с неуточнённой целевой меткой или предметной областью.

24скачиваний за 30 дней0лайковвеса обновлены8 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Intellect_continuous — дообученная модель на базе microsoft/deberta-v3-base, опубликованная ajrayman. Это модель DeBERTa V3 Base с архитектурой DeBERTa V2 для классификации последовательностей; в репозитории указано 211,6 млн параметров и формат safetensors. Модель предназначена для задачи text-classification, однако карточка не поясняет классы или прикладной сценарий. В оценке на тестовой выборке приведены Loss 0,0481, RMSE 0,2194, MAE 0,1755 и корреляция 0,2970.

Модель принимает текст и выдаёт результат классификации. Базовая модель рассчитана на английский язык; обучающий датасет обозначен как None, поэтому целевой язык и предметную область этой настройки подтвердить нельзя. Контекст ограничен 512 токенами. Лицензия — MIT.

Сценарии применения

Классификация текстовых последовательностей
Оценка текста по настроенной модели шкале
Экспериментальная проверка качества классификатора на собственной разметке

Ограничения

Карточка не описывает метки классов, целевой сценарий и обучающие данные. Указанная корреляция на оценочной выборке составляет 0,2970; контекст ограничен 512 токенами.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Intellect_continuous

This model is a fine-tuned version of microsoft/deberta-v3-base on the None dataset. It achieves the following results on the evaluation set:

Loss: 0.0481
Rmse: 0.2194
Mae: 0.1755
Corr: 0.2970

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

learning_rate: 2e-05
train_batch_size: 32
eval_batch_size: 32
seed: 1234
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
lr_scheduler_warmup_ratio: 0.06
num_epochs: 8

Training results

Training Loss	Epoch	Step	Validation Loss	Rmse	Mae	Corr
No log	1.0	235	0.0476	0.2182	0.1756	0.2980
No log	2.0	470	0.0573	0.2394	0.1944	0.2968
0.0608	3.0	705	0.0481	0.2194	0.1755	0.2970

Framework versions

Transformers 4.44.1
Pytorch 1.11.0
Datasets 2.12.0
Tokenizers 0.19.1

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: DebertaV2ForSequenceClassification
Ревизия весов: bb3c1c5